ΜΑΘΗΜΑ 9ο: PROMPT ENGINEERING ΣΤΟ AI

ΑΝΑΛΥΣΗ ΣΥΝΑΙΣΘΗΜΑΤΟΣ (SENTIMENT ANALYSIS)

Η ανάλυση συναισθήματος (sentiment analysis) είναι μια τεχνική της επεξεργασίας φυσικής γλώσσας (Natural Language Processing, NLP) που χρησιμοποιείται για να καθορίσει τη συναισθηματική χροιά (π.χ., θετική, αρνητική, ουδέτερη) των κειμένων που εισάγονται.

Αυτή η τεχνική εφαρμόζεται ευρέως σε διάφορους τομείς, όπως η ανάλυση των κοινωνικών μέσων (social media analysis), οι κριτικές προϊόντων (product reviews), οι έρευνες πελατών (customer surveys) και άλλες εφαρμογές, όπου η κατανόηση των συναισθημάτων που κυριαρχούν σε αυτό που εισάγεται μπορεί να παρέχει πολύτιμες πληροφορίες για την επεξεργασία του εξαγόμενου.

Α. Στάδια της ανάλυσης συναισθήματος (Sentiment Analysis)

1. Προεπεξεργασία δεδομένων (Data Preprocessing): Πριν από την ανάλυση, τα κείμενα συνήθως καθαρίζονται και προ-επεξεργάζονται.

Αυτό περιλαμβάνει την αφαίρεση σημείων στίξης (punctuation removal), τη μείωση των λέξεων στις βασικές τους μορφές (λημματοποίηση, lemmatization), και την αφαίρεση (stopwords)(λέξεις χωρίς ιδιαίτερο νόημα).

2. Ανάλυση συναισθηματικών λέξεων (Lexicon-Based Analysis): Μια κοινή προσέγγιση είναι η χρήση λέξεων που δείχνουν συναισθήματα (sentiment lexicons), όπου οι λέξεις έχουν προκαθορισμένες συναισθηματικές τιμές. Αυτή η μέθοδος είναι σχετικά απλή και αποδοτική.

3. Μηχανική μάθηση (Machine Learning): Πιο σύνθετες μέθοδοι περιλαμβάνουν τη χρήση αλγορίθμων μηχανικής μάθησης (machine learning algorithms) που εκπαιδεύονται σε μεγάλες συλλογές δεδομένων (datasets). Αυτοί οι αλγόριθμοι μαθαίνουν να αναγνωρίζουν πρότυπα που σχετίζονται με συγκεκριμένα συναισθήματα.

4. Νευρωνικά δίκτυα και βαθιά μάθηση (Neural Networks and Deep Learning): Οι πιο σύγχρονες μέθοδοι χρησιμοποιούν νευρωνικά δίκτυα (neural networks) και τεχνικές βαθιάς μάθησης (deep learning techniques).

Αυτές οι τεχνικές μπορούν να επιτύχουν υψηλότερη ακρίβεια, ιδιαίτερα σε πολύπλοκα κείμενα, επειδή είναι σε θέση να κατανοήσουν πιο βαθιά τις σχέσεις μεταξύ των λέξεων και των συναισθημάτων.

Β. Εφαρμογές της ανάλυσης συναισθήματος (Sentiment Analysis Applications)

1. Επιχειρήσεις (Businesses): Οι εταιρείες χρησιμοποιούν την ανάλυση συναισθήματος για να παρακολουθούν τις αντιδράσεις/ψυχολογία των πελατών (customer reactions) στα προϊόντα και τις υπηρεσίες τους, μέσω των κοινωνικών μέσων (social media), κριτικών (reviews) και ερευνών (surveys).

2. Πολιτική (Politics): Οι πολιτικοί αναλυτές χρησιμοποιούν την ανάλυση συναισθήματος για να κατανοήσουν την κοινή γνώμη (public opinion) σχετικά με πολιτικά ζητήματα και τους υποψηφίους (candidates).

3. Υγεία (Healthcare): Στην ψυχολογία (psychology) και την ψυχιατρική (psychiatry), η ανάλυση συναισθήματος μπορεί να βοηθήσει στην παρακολούθηση της ψυχικής υγείας (mental health) μέσω της ανάλυσης γραπτών ή προφορικών δηλώσεων (written or spoken statements).

Γ. Προκλήσεις της ανάλυσης συναισθήματος (Challenges in Sentiment Analysis)

1. Ειρωνεία και σαρκασμός (Irony and Sarcasm): Η αναγνώριση του σαρκασμού είναι ιδιαίτερα δύσκολη γιατί το κυριολεκτικό νόημα (literal meaning) των λέξεων μπορεί να είναι θετικό, ενώ το πραγματικό συναίσθημα (actual sentiment) είναι αρνητικό.

2. Πολυσημία (Polysemy): Πολλές λέξεις έχουν διαφορετικές έννοιες (meanings) ανάλογα με τα συμφραζόμενα (context), κάτι που μπορεί να προκαλέσει σύγχυση στα συστήματα ανάλυσης (analysis systems).

3. Συμφραζόμενα και πολιτιστικές διαφορές (Context and Cultural Differences): Το συναίσθημα μπορεί να εκφράζεται διαφορετικά σε διαφορετικές γλώσσες (languages) και πολιτισμούς (cultures), κάτι που απαιτεί πιο εξειδικευμένα μοντέλα (specialized models).

ΧΡΗΣΗ ΛΕΞΕΩΝ ΚΑΙ ΑΝΑΛΥΣΗ ΣΥΝΑΙΣΘΗΜΑΤΩΝ

Η ανάλυση συναισθήματος (sentiment analysis) αποτελεί ένα πολύτιμο εργαλείο για την κατανόηση από τα συστήματα μηχανικής μάθησης του τρόπου με τον οποίο οι άνθρωποι εκφράζουν και αντιλαμβάνονται τα συναισθήματά τους στον γραπτό ή προφορικό λόγο.

Στην επικοινωνία των ανθρώπων με συστήματα μηχανικής μάθησης, η "Sentiment analysis" παρέχει πολύτιμες πληροφορίες μέσω της ανάλυσης συναισθημάτων (όπως εκφράζονται από τις λέξεις που χρησιμοποιούνται, Lexicon - based analysis) ώστε να μπορούν να βελτιωθούν οι αποκρίσεις των συστημάτων ΑΙ σε ποικίλα πεδία.

 Η ΠΡΟΠΑΓΑΝΔΑ ΤΗΣ ΤΟΥΡΚΙΑΣ ΠΩΣ ΠΡΟΒΑΛΛΕΤΑΙ ΚΑΙ ΠΩΣ ΕΝΙΣΧΥΟΝΤΑΙ ΤΑ ΦΟΒΙΚΑ ΣΥΝΔΡΟΜΑ ΣΤΟΥΣ ΠΟΛΙΤΕΣ

Εικόνες από το μεγαλείο και την απειλή που εκφράζει η Τουρκία επαναλαμβάνονται ξανά και ξανά από κεντρικό ΜΜΕ και περνάνε σε όλη την Ελληνική κοινωνία δημιουργώντας φοβικά σύνδρομα στους πολίτες.

Η συνεχής προβολή του τι λέει ο Ερντογάν σε ομιλίες του παντού εξυπηρετεί την δημιουργία δέους και την ενίσχυση του προφίλ του ως ισχυρού και αδίστακτου ηγέτη, γεγονός που εξυπηρετεί τα πολιτισμικά στερεότυπα της Τουρκίας και αυξάνει τα φοβικά σύνδρομα των ραγιάδων στην χώρα μας.

Όπως προβάλλεται επίσης και η συνεχής απειλή για την περίπτωση που δεν συμμορφωθούμε με τις απαιτήσεις του, η οποία εκφράζεται άμεσα και ξεκάθαρα πλέον όχι μόνο για τα χωρικά ύδατα, αλλά ως εργαλείο συνετισμού μας σε όλα, στην λογική του καρότου και του μαστίγιου.

Τέτοια επίδραση στο μυαλό του απλού ακροατή μόνο από επαγγελματίες του χώρου της προπαγάνδας μπορεί να γίνεται.

Ο Φιντάν αποδεδειγμένα είναι ο γνήσιος εκφραστής αυτής της φοβικής παγίδας που έχει στηθεί επικοινωνιακά και αναπαράγεται από ΜΜΕ.

Προσέξτε πως εκφράζουν την προπαγάνδα και εντείνουν τα φοβικά σύνδρομα λέγοντας ξεκάθαρα: «Το επαναλαμβάνω, τώρα είναι η στιγμή, εάν μπορεί να υπάρξει συνύπαρξη, να προσπαθήσουμε να τα βρούμε…..». Δεν είναι απλός ρεπόρτερ πλέον που αναπαράγει ειδήσεις αλλά σημαντικός επιδρών σε εθνικά ζητήματα με άποψη και προτροπή.

Μας βομβαρδίζουν πρώτα με τις απειλές, τις εικόνες που σπέρνουν φόβο και δείχνουν το «μεγαλείο» μίας Τουρκίας που συγκλονίζει όλο το κόσμο με την κατακτήσεις της, όπου "η κατάκτηση και το πνεύμα του Πορθητή κυριαρχεί" και ότι έτσι θα συνεχίσει και αμέσως μετά προβάλλει ως λογική συνεπαγωγή το μήνυμα με λόγια και εικόνες που το επιβεβαιώνουν:

Αφού η Τουρκία είναι τόσο ισχυρή, εκφράζεται πολιτισμικά με κατάκτηση και με το πνεύμα του Μωάμεθ του πορθητή και σπέρνει τον φόβο, ελάτε μπρε…..άϊντε " να τα βρούμε για να συνυπάρξουμε, είναι ευκαιρία, αλλιώς αυτό που επαπειλείται από την φοβερή και τρομερή Τουρκία θα είναι χειρότερο εάν δεν συμμορφωθούμε (κι άλλο)".

Μην ενασκείται τα δικαιώματά σας που δεν αναγνωρίζονται από την Τουρκία γιατί αλλιώς θα ξαναρχίσουν οι παραβιάσεις και η επιθετικότητα στο πεδίο.

Να κάνετε αυτό που θέλουμε γιατί εάν δεν το κάνετε, θεωρούμε ότι είστε ανυποχώρητοι σε όλες τις διεκδικήσεις μας και άρα η απειλή μας είναι δίκαιη.»

Και δυστυχώς συνεχίζουν κάποιοι να ισχυρίζονται ότι αυτά είναι απλά εσωτερικά προβλήματα της Τουρκίας για λόγους πολιτικής εκμετάλλευσης (όπως και τα όσα πλέον θα διδάσκονται τα παιδιά στην Τουρκία;;;;), για να μην ακυρώσουν τον πρωθυπουργό στις προσωπικές του επιλογές, όπως αποδυναμώνεται καθημερινά η διακήρυξη των Αθηνών, που λειτουργεί ως "κλουβί" μέσα στο οποίο μπήκαμε μόνοι μας.

Πέραν του ότι με την στάση μας ακυρώσαμε πολλά καλά βήματα του πρόσφατου παρελθόντος:

- Είχαμε καταφέρει να κάνουμε ευρωπαϊκό πρόβλημα την συμπεριφορά της Τουρκίας ως προς την Ελλάδα και Κύπρο (με κυρώσεις μάλιστα) και τώρα με την διακήρυξη των Αθηνών και τους “διαλόγους” σε επίπεδο αρχηγών έπαψε να είναι ευρωπαϊκό.

- Δεν ενισχύσαμε (την αποδυναμώσαμε μόνοι μας εν πολλοίς) την αμυντική συμφωνία με την Γαλλία, και προσπαθούμε να την επαναφέρουμε και πάλι επανεξετάζοντας το ζήτημα της 4ης Φρεγάτας και άλλων 6 Rafale.

Η δε Τουρκία διευρύνει τις διεκδικήσεις της όχι μόνο αποτρέποντάς μας να κάνουμε έρευνες ακόμη και Νότια της Κρήτης, όχι μόνο βγάζοντας πάλι το ερευνητικό της αλλά και σχεδιάζοντας να εγκαθιδρύσει θαλάσσια πάρκα στο Αιγαίο, προφανώς επιτηρούμενα και υπό την αυτόκλητη και καταχρηστική διαχειριστική της ευθύνη και δικαιοδοσία.

Άλλωστε ήδη έχει δώσει αρμοδιότητες στην ακτοφυλακή της για να δρα στο Αιγαίο μέχρι τα όρια που δεν διεκδικεί απλώς αλλά θεωρεί δικά της (αυτά που διδάσκει πλέον και στα σχολεία της).

 ΜΑΘΗΜΑ 8ο: PROMPT ENGINEERING

ΜΗΚΟΣ ΑΠΟΚΡΙΣΗΣ (RESPONSE LENGTH)

Το "response length" (μήκος απόκρισης) αναφέρεται στον αριθμό των λέξεων, χαρακτήρων, γραμμών ή άλλων μονάδων που περιέχονται σε μια απάντηση ή απόκριση.

Αυτός ο όρος μπορεί να εφαρμοστεί σε διάφορα πλαίσια, όπως σε μηχανική μάθηση, επεξεργασία φυσικής γλώσσας (NLP), ή γενικά στην επικοινωνία. Ας δούμε μερικά παραδείγματα για να κατανοήσουμε πώς χρησιμοποιείται ο όρος σε διαφορετικά πλαίσια:

1. Επεξεργασία Φυσικής Γλώσσας (NLP)

Στην επεξεργασία φυσικής γλώσσας, το "response length" μπορεί να αναφέρεται στον αριθμό των λέξεων ή χαρακτήρων σε μια απάντηση που παράγεται από ένα σύστημα επεξεργασίας φυσικής γλώσσας (NLP), όπως ένα chatbot ή ένας μοντέλο τεχνητής νοημοσύνης.

• Παράδειγμα: Ένα chatbot μπορεί να έχει περιορισμό στο "response length" για να διασφαλίσει ότι οι απαντήσεις είναι σύντομες και περιεκτικές, π.χ., περιορίζοντας τις απαντήσεις σε 100 λέξεις.

2. Ανάλυση Κειμένου

Σε εφαρμογές ανάλυσης κειμένου, το "response length" μπορεί να χρησιμοποιηθεί ως χαρακτηριστικό για την ανάλυση ή την κατηγοριοποίηση κειμένων ανάλογα με την έκτασή τους.

3. Εκπαίδευση Μοντέλων Μηχανικής Μάθησης

Στην εκπαίδευση μοντέλων μηχανικής μάθησης, το "response length" είναι μια παράμετρος που πρέπει να ληφθεί υπόψη κατά την προετοιμασία των δεδομένων εκπαίδευσης και την αξιολόγηση της απόδοσης των μοντέλων.

Κατά την εκπαίδευση ενός γλωσσικού μοντέλου, μπορεί να υπάρχουν περιορισμοί στο μέγιστο μήκος της απάντησης για να μπορεί να υπάρξει διαχείριση του υπολογιστικού κόστους και της μνήμης.

4. Πλατφόρμες και Εργαλεία Ανάπτυξης

Πολλές πλατφόρμες και εργαλεία ανάπτυξης εφαρμογών περιλαμβάνουν ρυθμίσεις για το μήκος των απαντήσεων που παράγονται από τα μοντέλα τους.

Μπορεί να αιτηθεί το μήκος της απάντησης με ανοικτό κείμενο σε κάποια μοντέλα ΑΙ (π.χ. απάντησέ μου με 100 λέξεις).

Σε άλλα μοντέλα ΑΙ μπορεί να γίνει μέσα από τις ρυθμίσεις ενός API, όπου υπάρχει μια παράμετρος "max_response_length" που καθορίζει το μέγιστο μήκος των απαντήσεων που επιστρέφει το σύστημα. Το API (Application Programming Interface) είναι ένα σύνολο κανόνων και πρωτοκόλλων που επιτρέπουν σε διαφορετικά λογισμικά να επικοινωνούν μεταξύ τους.

5. Επικοινωνία και Υπηρεσίες Υποστήριξης Πελατών

Σε πλατφόρμες επικοινωνίας ή υπηρεσίες υποστήριξης πελατών, το "response length" μπορεί να αναφέρεται στο μέγεθος των μηνυμάτων που ανταλλάσσονται μεταξύ των πελατών και των αντιπροσώπων.

• Παράδειγμα: Μια υπηρεσία υποστήριξης πελατών μπορεί να ενθαρρύνει τους αντιπροσώπους να παρέχουν απαντήσεις με συγκεκριμένο μήκος για να διασφαλίσει σαφή και γρήγορη επικοινωνία.

ΚΑΤΑΛΗΓΟΝΤΑΣ

το "response length" είναι μια σημαντική παράμετρος που επηρεάζει την αποτελεσματικότητα, την αποδοτικότητα και την εμπειρία χρήστη σε πολλές εφαρμογές τεχνητής νοημοσύνης και επικοινωνίας.

Ο χρήστης μπορεί να καθορίσει το "response length" με διάφορους τρόπους, (π.χ. ανοικτού κειμένου, μέσω παραμέτρων API, ρυθμίσεων σε πλατφόρμες μηχανικής μάθησης, προσαρμοσμένου κώδικα κλπ). Η επιλογή της μεθόδου εξαρτάται από την πλατφόρμα και το εργαλείο που χρησιμοποιείται.

 ΜΑΘΗΜΑ 7ο: PROMPT ENGINEERING

ΜΟΝΤΕΛΑ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ

Υπάρχουν πολλά μοντέλα μηχανικής μάθησης (Machine learning - ML) και βαθιάς μάθησης (Deep learning - DL), το καθένα με διαφορετικές δυνατότητες και χαρακτηριστικά. Παρακάτω παρουσιάζονται μερικά από τα πιο κοινά μοντέλα και οι δυνατότητές τους:

1. Common Machine Learning Models

α. Γραμμικά Μοντέλα (Linear Models)

(1) Γραμμική Παλινδρόμηση (Linear Regression)

• Χρήση: Πρόβλεψη συνεχών τιμών (π.χ., τιμές σπιτιών, θερμοκρασίες).

• Δυνατότητες: Απλότητα, ερμηνευσιμότητα, καλή απόδοση σε γραμμικά δεδομένα.

• Περιορισμοί: Χαμηλή απόδοση σε μη γραμμικά δεδομένα.

(2) Λογιστική Παλινδρόμηση (Logistic Regression)

• Χρήση: Δυαδική ταξινόμηση (π.χ., ναι/όχι, θετικό/αρνητικό).

• Δυνατότητες: Απλότητα, ερμηνευσιμότητα, καλή απόδοση σε γραμμικά διαχωρίσιμα δεδομένα.

• Περιορισμοί: Χαμηλή απόδοση σε πολύπλοκα και μη γραμμικά δεδομένα.

β. Μοντέλα Δέντρων Αποφάσεων

(1) Δέντρα Αποφάσεων (Decision Trees)

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Δυνατότητες: Ερμηνευσιμότητα, διαχείριση πολυδιάστατων δεδομένων, όχι πολλές προϋποθέσεις για τα δεδομένα.

• Περιορισμοί: Επιρρεπή σε υπερεκπαίδευση (overfitting).

(2) Τυχαία Δάση (Random Forest): είναι ένας ευρέως χρησιμοποιούμενος αλγόριθμος μηχανικής μάθησης, (με εμπορικό σήμα από τους Leo Breiman και Adele Cutler), ο οποίος συνδυάζει την έξοδο πολλαπλών δέντρων αποφάσεων (“decision trees” – εξ ου και το “forest”) για να φτάσει σε ένα μόνο αποτέλεσμα. Η ευκολία χρήσης και η ευελιξία του έχουν ενισχύσει την υιοθέτησή του, καθώς διαχειρίζεται τα προβλήματα ταξινόμησης και παλινδρόμησης.

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Δυνατότητες: Ανθεκτικότητα σε υπερεκπαίδευση, καλή απόδοση σε μεγάλα και πολυδιάστατα δεδομένα.

• Περιορισμοί: Λιγότερο ερμηνεύσιμα από τα απλά δέντρα αποφάσεων.

(3) Ενισχυμένα Δέντρα Αποφάσεων (gradient-boosted decision trees): Ας ξεκινήσουμε με την κατανόηση του Boosting! Το Boosting είναι μια μέθοδος μετατροπής “αδύναμων μαθητών” σε “δυνατούς μαθητές”. Στην ενίσχυση, με ένα συγκεκριμένο αλγόριθμο (AdaBoost) ξεκινάμε την εκπαίδευση ενός δέντρου αποφάσεων.

Εδώ, η ιδέα είναι να βελτιώσουμε τις προβλέψεις του πρώτου δέντρου. Αφού αξιολογήσουμε το πρώτο δέντρο, αυξάνουμε τα βάρη αφού σταθμίσουμε τα δεδομένα και αναπτύσσουμε διαδοχικά το δεύτερο δένδρο αποφάσεως.

Το δεύτερο δέντρο λοιπόν αναπτύσσεται με αυτά τα σταθμισμένα δεδομένα.

Το νέο μας μοντέλο είναι επομένως Δέντρο 1 + Δέντρο 2. Στη συνέχεια, υπολογίζουμε το σφάλμα ταξινόμησης από αυτό το νέο μοντέλο συνόλου 2 δέντρων και αναπτύσσουμε ένα τρίτο δέντρο για να προβλέψουμε τα αναθεωρημένα εξαγώμενα.

Επαναλαμβάνουμε αυτή τη διαδικασία για έναν καθορισμένο αριθμό επαναλήψεων. Τα επόμενα δέντρα μας βοηθούν να ταξινομήσουμε τις παρατηρήσεις που δεν ταξινομούνται καλά από τα προηγούμενα δέντρα. Οι προβλέψεις του τελικού μοντέλου συνόλου είναι επομένως το σταθμισμένο άθροισμα των προβλέψεων που έγιναν από τα προηγούμενα μοντέλα δέντρων.

• Χρήση: Ταξινόμηση (Classification) και γραμμική παλινδρόμηση (Linear Regression).

- Ταξινόμηση κειμένων είναι η διαδικασία ανάλυσης αλληλουχιών κειμένων και χαρακτηρισμού τους με μια ετικέτα, προκειμένου να τοποθετηθούν σε μια κατηγορία με βάση την συνάφεια του περιεχομένου της. Η ταξινόμηση κειμένου βασίζεται σχεδόν σε κάθε εργασία τεχνητής νοημοσύνης ή μηχανικής μάθησης που περιλαμβάνει την Επεξεργασία Φυσικής Γλώσσας (NLP).

- Γραμμική Παλινδρόμηση σε ένα μοντέλο μηχανικής μάθησης είναι η λειτουργία προσδιορισμού μιας γραμμική συνάρτηση μεταξύ των μεταβλητών X (ανεξάρτητη μεταβλητή) και Y (εξαρτημένη μεταβλητή) που περιγράφει καλύτερα τη σχέση μεταξύ των δύο μεταβλητών (Υ=mX+b, όπου m η κλίση της γραμμής στην γραφική παράσταση της συνάρτησης) .

• Δυνατότητες: Πολύ καλή απόδοση, διαχείριση πολύπλοκων σχέσεων.

• Περιορισμοί: Υψηλό υπολογιστικό κόστος, λιγότερο ερμηνεύσιμα.

(4) Υποστηρικτικές Διανυσματικές Μηχανές (Support Vector Machines, SVM)

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Δυνατότητες: Καλή απόδοση σε πολύπλοκα και μη γραμμικά δεδομένα με κατάλληλους πυρήνες (kernels). Στη μηχανική μάθηση, οι μηχανές πυρήνα (Kernels) είναι μια κατηγορία αλγορίθμων για ανάλυση μοτίβων. Αυτές οι μέθοδοι περιλαμβάνουν τη χρήση γραμμικών ταξινομητών για την επίλυση μη γραμμικών προβλημάτων. Το γενικό έργο της ανάλυσης μοτίβων είναι να βρει και να μελετήσει γενικούς τύπους σχέσεων (για παράδειγμα συστάδες, ταξινομήσεις, κύρια συστατικά, συσχετίσεις, ταξινομήσεις) σε σύνολα δεδομένων.

• Περιορισμοί: Υψηλό υπολογιστικό κόστος, απαιτεί καλή ρύθμιση των παραμέτρων.

γ. Νευρωνικά Δίκτυα

(1) Πολυεπίπεδα Νευρωνικά Δίκτυα (Multi-Layer Perceptrons, MLP)

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Δυνατότητες: Δυνατότητα μάθησης πολύπλοκων σχέσεων.

• Περιορισμοί: Χρειάζεται μεγάλη ποσότητα δεδομένων και υπολογιστική ισχύ.

(2) Συνελισσόμενα Νευρωνικά Δίκτυα(Convolutional Neural Networks, CNN ή ConvNet):Ένα συνελισσόμενο νευρωνικό δίκτυο (CNN ή ConvNet) είναι μια αρχιτεκτονική δικτύου για βαθιά μάθηση που μαθαίνει απευθείας από δεδομένα. Τα CNN είναι ιδιαίτερα χρήσιμα για την εύρεση μοτίβων σε εικόνες για την αναγνώριση αντικειμένων, κλάσεων και κατηγοριών.

• Χρήση: Ανάλυση εικόνας και βίντεο.

• Δυνατότητες: Εξαιρετική απόδοση στην αναγνώριση προτύπων και αντικειμένων.

• Περιορισμοί: Υψηλό υπολογιστικό κόστος, απαιτεί μεγάλη ποσότητα δεδομένων.

(3) Περιοδικά Νευρωνικά Δίκτυα (Recurrent Neural Networks, RNN): τα δίκτυα αυτά χρησιμοποιούν διαδοχικά δεδομένα για την επίλυση κοινών χρονικών προβλημάτων που παρατηρούνται στη μετάφραση γλώσσας και την αναγνώριση ομιλίας

• Χρήση: Επεξεργασία ακολουθιών δεδομένων (π.χ., κείμενο, φωνή).

• Δυνατότητες: Διαχείριση χρονοσειρών και δεδομένων ακολουθίας (μια ακολουθία δεδομένων σε διακριτούς χρόνους για ευρετήριο).

• Περιορισμοί: Δυσκολίες στην εκπαίδευση, ειδικά σε μακρές ακολουθίες.

(4) Μετασχηματιστές (Transformers)

• Χρήση: Επεξεργασία φυσικής γλώσσας (NLP), μηχανική μετάφραση.

• Δυνατότητες: Εξαιρετική απόδοση σε προβλήματα NLP, παράλληλη επεξεργασία δεδομένων.

• Περιορισμοί: Υψηλό υπολογιστικό κόστος, ανάγκη για μεγάλη ποσότητα δεδομένων.

δ. Μοντέλα Ομαδοποίησης (Clustering)

(1) K-Means

Το K-Means Clustering είναι ένας από τους παλαιότερους και πιο συχνά χρησιμοποιούμενους τύπους αλγορίθμων ομαδοποίησης και λειτουργεί με βάση διανυσματική κβαντοποίηση (μετατροπή του αρχικού αναλογικού σήματος των δειγμάτων-αντιπροσωπευτικό τμήμα ενός πλήθους δεδομένων- σε ψηφιακή μορφή). Περιορίζουμε δηλαδή τις τιμές των δειγμάτων σε προκαθορισμένα και πεπερασμένα επίπεδα. Υπάρχει ένα σημείο στο διάστημα που επιλέγεται ως αρχή και στη συνέχεια, σχεδιάζονται διανύσματα από την αρχή αυτή προς όλα τα σημεία δεδομένων στο σύνολο δεδομένων. Τα συμπλέγματα είναι απλώς ομάδες στοιχείων και η ομαδοποίηση είναι απλώς η τοποθέτηση στοιχείων σε αυτές τις ομάδες.

• Χρήση: Ομαδοποίηση δεδομένων σε k ομάδες.

• Δυνατότητες: Απλότητα, ταχύτητα.

• Περιορισμοί: Εξάρτηση από την αρχική επιλογή των κεντρικών σημείων, δεν λειτουργεί καλά σε μη σφαιρικές ομάδες.

(2) Ιεραρχική Ομαδοποίηση (Hierarchical Clustering)

Η ιεραρχική ομαδοποίηση ξεκινάει αντιμετωπίζοντας κάθε σημείο δεδομένων ως ξεχωριστό σύμπλεγμα. Η μέθοδος αυτή προσδιορίζει τα 2 πιο κοντινά clusters μεταξύ τους και συγχωνεύει τα 2 πιο απομακρυσμένα clusters. Έπειτα συνεχίζει την διαδικασία μέχρι να συγχωνευθούν όλα τα συμπλέγματα.

• Χρήση: Δημιουργία ιεραρχικών ομάδων.

• Δυνατότητες: Οπτικοποίηση μέσω δενδρογραμμάτων, δεν χρειάζεται τον αριθμό των ομάδων εκ των προτέρων.

• Περιορισμοί: Υψηλό υπολογιστικό κόστος για μεγάλα σύνολα δεδομένων.

ε. Μοντέλα Συνόλου (Ensemble Models)

Η μοντελοποίηση συνόλου είναι η διαδικασία εκτέλεσης δύο ή περισσότερων σχετικών αλλά διαφορετικών αναλυτικών μοντέλων και στη συνέχεια σύνθεσης των αποτελεσμάτων σε μια ενιαία βαθμολογία. Αυτό βελτιώνει την ακρίβεια των εφαρμογών προγνωστικής ανάλυσης και εξόρυξης δεδομένων.

(1) Αλγόριθμος για εργασίες ταξινόμησης AdaBoost (AdaBoost)

Το AdaBoost είναι ένας ισχυρός και ευρέως χρησιμοποιούμενος αλγόριθμος μηχανικής μάθησης που έχει εφαρμοστεί με επιτυχία σε εργασίες ταξινόμησης και παλινδρόμησης σε μεγάλη ποικιλία τομέων.

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Σπουδαιότητα: Βελτιώνει την απόδοση αδύναμων ταξινομητών, ευρέως χρησιμοποιούμενο.

(2) XGBoost

Το XGBoost (eXtreme Gradient Boosting) είναι μια βιβλιοθήκη λογισμικού ανοιχτού κώδικα που παρέχει ένα πλαίσιο ενίσχυσης κλίσης για γλώσσες προγραμματισμού C++, Java, Python, R, Julia, Perl, και Scala .

• Χρήση: Ταξινόμηση και παλινδρόμηση.

• Σπουδαιότητα: Κορυφαία απόδοση σε διαγωνισμούς και εφαρμογές, γρήγορη εκπαίδευση και αποτελεσματική.

(3) Naive Bayes:

Ο ταξινομητής Naïve Bayes είναι ένας εποπτευόμενος αλγόριθμος μηχανικής μάθησης που χρησιμοποιείται για εργασίες ταξινόμησης, όπως ταξινόμηση κειμένου. Χρησιμοποιεί αρχές πιθανοτήτων για την εκτέλεση εργασιών ταξινόμησης.

• Χρήση: Ταξινόμηση-Κατηγοριοποίηση (Classification).

• Δυνατότητες: Ταχύτητα, λειτουργεί καλά με μεγάλα σύνολα δεδομένων, προϋποθέτει ανεξαρτησία λειτουργίας.

Η επιλογή του κατάλληλου μοντέλου εξαρτάται από τη φύση των δεδομένων, το πρόβλημα που πρέπει να λυθεί και τους περιορισμούς του έργου.

 ΜΑΘΗΜΑ ΕΚΤΟ (6) : PROMPT ENGINEERING

ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ (MODEL CHOISE)

Το "model choice" (επιλογή μοντέλου) στην τεχνητή νοημοσύνη (AI) αναφέρεται στη διαδικασία επιλογής του κατάλληλου μοντέλου μηχανικής μάθησης (ML) ή βαθιάς μάθησης (DL) για την επίλυση ενός συγκεκριμένου προβλήματος ή την εκτέλεση μιας συγκεκριμένης εργασίας.

Αυτή η διαδικασία περιλαμβάνει την αξιολόγηση και σύγκριση διαφόρων μοντέλων για να επιλεγεί εκείνο που προσφέρει την καλύτερη απόδοση σύμφωνα με συγκεκριμένα κριτήρια.

Διαφορετικές εκδόσεις μοντέλων μπορεί να έχουν διαφορετικά χαρακτηριστικά και δυνατότητες (π.χ., GPT-3.5 vs. GPT-4).

Οι κύριοι παράγοντες που εξετάζονται κατά την επιλογή ενός μοντέλου περιλαμβάνουν:

1. Ακρίβεια (Accuracy): Πόσο καλά το μοντέλο προβλέπει ή ταξινομεί τα δεδομένα.

2. Υπολογιστικό Κόστος (Computational Cost): Οι απαιτήσεις σε υπολογιστικούς πόρους, όπως ο χρόνος εκπαίδευσης και η μνήμη.

3. Επεκτασιμότητα (Scalability): Πώς το μοντέλο προσαρμόζεται όταν αυξάνεται ο όγκος των δεδομένων.

4. Ερμηνευτικότητα (Intrepretability): Πόσο εύκολα μπορεί να εξηγηθεί η λειτουργία του μοντέλου.

5. Ικανότητα Γενίκευσης (Generalizability): Η ικανότητα του μοντέλου να αποδίδει καλά σε νέα, μη γνωστά δεδομένα.

6. Ανθεκτικότητα (Robustness): Η ικανότητα του μοντέλου να αντιμετωπίζει θορυβώδη ή ελλιπή δεδομένα.

Η διαδικασία επιλογής του μοντέλου περιλαμβάνει τα εξής βήματα:

1. Κατανόηση του προβλήματος (Understanding the problem): Καθορισμός της φύσης του προβλήματος (π.χ. ταξινόμηση, πρόβλεψη, ομαδοποίηση).

2. Επιλογή υποψήφιων μοντέλων (Selecting candidate models): Επιλογή μιας λίστας υποψήφιων μοντέλων που μπορεί να είναι κατάλληλα για το πρόβλημα.

3. Εκπαίδευση και αξιολόγηση (Training and evaluation): Εκπαίδευση των υποψήφιων μοντέλων σε δεδομένα εκπαίδευσης και αξιολόγηση της απόδοσής τους χρησιμοποιώντας δεδομένα δοκιμής.

4. Σύγκριση μοντέλων (Model comparison): Σύγκριση των αποτελεσμάτων των μοντέλων σύμφωνα με τα προαναφερθέντα κριτήρια.

5. Επιλογή του καλύτερου μοντέλου (Selecting the best model): Επιλογή του μοντέλου που παρουσιάζει την καλύτερη συνολική απόδοση.

6. Βελτιστοποίηση (Optimization): Περαιτέρω βελτιστοποίηση του επιλεγμένου μοντέλου, εάν είναι απαραίτητο.

Η επιλογή του κατάλληλου μοντέλου είναι κρίσιμη για την επιτυχία ενός έργου AI, καθώς ένα κακώς επιλεγμένο μοντέλο μπορεί να οδηγήσει σε χαμηλή απόδοση και λανθασμένα αποτελέσματα.

 Η ΚΡΑΤΙΚΗ ΑΝΑΠΟΤΕΛΕΣΜΑΤΙΚΟΤΗΤΑ ΕΛΕΓΧΟΥ ΣΤΟ "SHIP TO SHIP TRANSFER" ΣΤΟΝ ΛΑΚΩΝΙΚΟ ΚΟΛΠΟ

Δύο εβδομάδες πριν έγινε διεθνές θέμα το ότι γίνεται μεταφορά από πλοία σε πλοία ευκαιριακής σημαίας (Ship to Ship Transfer) του Ρωσικού πετρελαίου έξω από τον Λακωνικό κόλπο στα διεθνή ύδατα, όπου με τον τρόπο αυτό αποχαρακτηρίζεται η προέλευση του πετρελαίου και ξεπερνιούνται οι κυρώσεις.

Τότε εμείς (λόγω της διεθνούς αντίδρασης) εγκαθιδρύσαμε NAVTEX για γυμνάσια στην περιοχή αυτή, προκειμένου να περιορίσουμε την ναυτιλιακή κίνηση , ελπίζοντας ότι θα σταματήσουμε έτσι την λαθραία διακίνηση.

Όμως μόλις τελείωσε η ισχύς της NAVTEX οι μεταφορές αυτές ξανάρχισαν.

Είχα επισημάνει τότε για την αναποτελεσματικότητα του μέτρου αυτού και ότι χάνουμε σημαντική ευκαιρία για να υποστηρίξουμε τα εθνικά μας συμφέροντα:

ΣΥΓΚΕΚΡΙΜΕΝΑ:

Η αντίδρασή μας για μία ακόμη φορά είναι κατώτερη των περιστάσεων.

Προσπαθούμε με τεχνάσματα να δώσουμε προσωρινή λύση για τα «μάτια του κόσμου», εγκαθιδρύοντας προσχηματικά NAVTEX (ήταν από την 1η έως τις 9 Μαΐου) στην συγκεκριμένη περιοχή του Λακωνικού κόλπου στα διεθνή ύδατα, ώστε να μην επιτρέπεται η ναυτιλιακή κίνηση στην περιοχή για λόγους ασφαλείας από τα γυμνάσια που θα κάναμε.

Το ερώτημα είναι :

Θα απαγορεύουμε έτσι συνεχώς την ναυτιλιακή κίνηση με εν ισχύ NAVTEX διαρκείας;

Αυτό είναι ενάντια στην ίδια την πολιτική μας έναντι της πάγιας ναυτιλιακής πολιτικής μας και της Τουρκίας.

Και φυσικά θα αποδυναμωθεί εφόσον δεν θα υπάρχει η δυνατότητα ελέγχου όλης της περιοχής από κρατικά μέσα.

Ή μήπως θα στήσουμε στο διηνεκές εκεί ένα πλοίο του Π.Ν για να δικαιολογούμε την διαρκή ισχύ της NAVTEX;

Η ακτοφυλακή/Λιμενικό επίσης δεν έχει αρμοδιότητα να δράσει καθ οιονδήποτε τρόπο στην συγκεκριμένη περιοχή.

1) ΕΠΕΚΤΑΣΗ ΧΩΡΙΚΩΝ ΥΔΑΤΩΝ: Η μόνη μας άμεση και αποτελεσματική δυνατότητα θα ήταν να κάνουμε την χωρική μας θάλασσα 12 νμλ σε όλη την Πελοπόννησο και την Κρήτη. Και θα είχαμε εξαιρετική επιχειρηματολογία και υποστηρικτές στην ΕΕ και στις ΗΠΑ-Αυστραλία και Καναδά.

2) ΚΛΕΙΣΙΜΟ ΚΌΛΠΩΝ ΜΕ ΓΡΑΜΜΕΣ ΒΑΣΕΩΣ: Η αμέσως καλύτερη λύση θα ήταν να κλείσουμε με γραμμή βάσεως τους Κόλπους της Ελλάδος (όσους έχουν άνοιγμα κάτω από 24 νμλ) αλλά και ιστορικούς κόλπους κι εκείθεν να μετρήσουμε την χωρική θάλασσα των 6 νμλ.

3) ΣΥΝΟΡΕΥΟΥΣΑ ΖΩΝΗ: Μία τρίτη λύση θα ήταν η εγκαθίδρυση συνορεύουσας ζώνης μέχρι ακόμη και 24 νμλ από τις ακτές μας, όπου θα είχαμε έτσι δικαιοδοσία για παράνομες πράξεις που γίνονται σε αυτήν την ζώνη. Αυτό θα μας έδινε την δυνατότητα να ελέγξουμε και την παράνομη διακίνηση ανθρώπων και ναρκωτικών το λαθρεμπόριο, τον κίνδυνο ρύπανσης κλπ.

Δυστυχώς δεν εκμεταλλευόμαστε έγκαιρα τις διεθνείς συγκυρίες για να ενισχύσουμε τα δικαιώματά μας.

 ΓΙΑΤΙ ΕΙΝΑΙ ΛΑΘΟΣ Η ΣΥΜΠΕΡΙΛΗΨΗ ΜΠΕΛΕΡΗ ΣΤΟ ΕΥΡΩΨΗΦΟΔΕΛΤΙΟ

Άκουσα την κα Μπακογιάννη να λέει ότι, "εφόσον εκλεγεί στο Ευρωκοινοβούλιο, ο Φρέντι Μπελέρη θα αποτελέσει τη φωνή της εθνικής μειονότητας", και ότι «είναι άλλο πράγμα να τη μεταφέρουμε εμείς και άλλο πράγμα να έχουν έναν γνήσιο εκπρόσωπο της εθνικής μειονότητας να μιλάει για το θέμα».

Ας δούμε τα επικίνδυνα ζητήματα που ανοίγει η θέση αυτή:

1. Κατ' αρχάς, με δεδομένο ότι τον έχει εντάξει η ΝΔ στο ευρωψηφοδέλτιο με κρατικό χαρακτήρα, κάνει μια ακροβατική διάκριση μεταξύ του εμείς και αυτοί.

Εάν μετέχει στο Ελληνικό ευρωψηφοδέλτιο, μετέχει ως Έλλην πολίτης και όχι ως πολίτης της Αλβανίας κι εκ καταγωγής Έλλην.

2. Ας σκεφθούμε τι θα συμβεί εάν όλες οι μειονότητες που βρίσκονται στα Βαλκάνια και σε πολλές Ευρωπαϊκές χώρες, είχαν εκπροσώπους τους στα ευρωψηφοδέλτια της χώρας εθνικότητας καταγωγής τους, για να θέτουν τα ζητήματα εναντίον της χώρας όπου είναι πολίτες. Θα το θέλαμε εμείς να συμβεί με μειονότητες που υπάρχουν στην χώρα μας;

Ανοίγει το κουτί της Πανδώρας για τα ζητήματα μειονοτήτων.

3. Και όλα αυτά επειδή δεν θέλουμε να έχουμε σκληρή στάση έναντι του Ράμα για τα δικαιώματα της εθνικής μας μειονότητας στην Αλβανία, ο οποίος Ράμα έχει ενταχθεί στην αυλή του Ερντογάν, ενισχύει τον Αλβανικό εθνικισμό, μας εκβίασε και το πέτυχε με την ομιλία του εδώ και τώρα ξιφουλκεί εκ νέου κατά της Ελλάδος.

4. Δηλαδή τι λέμε: Εμείς δεν μπορούμε να υποστηρίξουμε τα δικαιώματα της Ελληνικής μειονότητας στην Αλβανία και βάζουμε τον Μπελέρη να τα υποστηρίξει στο ευρωκοινοβούλιο;

Εξωτερική πολιτική υπεκφυγής και μετάθεσης ευθυνών, αμφιλεγόμενη και προβληματική, όπου με επικοινωνιακά κόλπα προσπαθούμε να καλύψουμε τις αδυναμίες μας και να μην αναλάβουμε άμεσα τις ευθύνες μας έναντι της Ελληνικής μειονότητας στην Αλβανία (εάν δε γίνεται για μικροκομματικά οφέλη είναι ακόμη χειρότερα γιατί βάζει μπροστά το κόμμα και όχι την χώρα).